CFLOW-AD：基于条件归一化流、带定位的实时无监督异常检测
计算机视觉与模式识别
2021-07-28 v1 人工智能
机器学习
摘要
在标注不可行且训练数据中完全缺失异常样本的情况下，带定位的无监督异常检测具有许多实际应用。尽管近期针对此类数据设置提出的模型取得了较高的精度指标，但其复杂性是实时处理的限制因素。本文提出一种实时模型，并从解析上推导其与先前方法的关系。我们的 CFLOW-AD 模型基于条件归一化流（conditional normalizing flow）框架，并适用于带定位的异常检测。具体而言，CFLOW-AD 由一个判别式预训练编码器与多尺度生成式解码器组成，其中解码器显式估计编码特征的可能性。我们的方法得到了计算与内存高效的模型：在相同输入设置下，CFLOW-AD 比先前最先进模型快 10 倍且体积小 10 倍。我们在 MVTec 数据集上的实验表明，CFLOW-AD 在检测任务上以 0.36% AUROC 优于先前方法，在定位任务上分别以 1.12% AUROC 与 2.5% AUPRO 占优。我们开源了代码并提供完全可复现的实验。
引用
@article{arxiv.2107.12571,
title = {CFLOW-AD: Real-Time Unsupervised Anomaly Detection with Localization via Conditional Normalizing Flows},
author = {Denis Gudovskiy and Shun Ishizaka and Kazuki Kozuka},
journal= {arXiv preprint arXiv:2107.12571},
year = {2021}
}
备注
Accepted to WACV 2022. Preprint